目前，基于CNN和Transformer的医学图像分割面临着许多挑战

比如CNN在长距离建模能力上存在不足，而Transformer则受到其二次计算复杂度的制约

相比之下，Mamba的设计允许模型在保持线性计算复杂度的同时，仍然能够捕捉到长距离的依赖关系

因此基于Mamba的医学图像分割能够结合CNN的局部特征提取能力和Transformer的全局上下文理解能力，更有效地处理医学图像中复杂的结构和模式

以上海交大提出的VM-UNet为例：

作为首个将Mamba结构融入UNet的模型，VM-UNet引入了视觉态空间（VSS）块作为基础块以捕捉广泛的上下文信息，并构建了一个非对称的编码器-解码器结构

在ISIC17、ISIC18和Synapse数据集上超越UNet++/UNet v2等SOTA

受此启发，研究者们提出了更多Mamaba医学图像分割改进方案，我整理了其中10个值得学习的最新成果分享，论文以及开源代码也列上了，方便同学们复现

ID:7665

详询客服 微信shujuqudong1 或shujuqudong6 或 qq68823886 或 27699885

图文详情请查看： http://matup.cn/860353542215.html